让计算机能够感知和理解人类世界,并能用自然语言与之交流是人工智能领域的一个长期目标。深度学习的发展让这一目标成为可能,图像描述任务作为自然语言处理和计算机视觉领域的交叉课题,近年来引起了国内外学者的广泛关注。目前公共环境的各类视频监控系统主要采用目标检测与识别技术,存在数据量大、响应时间长且传输困难等问题,相较于图像,文本概括性强,能够以简练的形式传递信息,因此,研究面向公共环境的图像描述具有十分重要的现实意义。本文对公共环境的文本生成进行研究,具体的工作包括对公共环境的图像描述模型改进、面向公共环境的密集描述模型设计、基于公共环境的图像描述界面制作。主要的研究成果总结如下:1.针对图像描述的编码器-解码器结构在编码端特征提取不充分与解码端丢失上下文信息的问题,提出了一种基于Res Net与M-LSTM的图像描述模型。模型使用融合注意力机制的深度残差网络提取图像特征,对特征的各个部分赋予权重,在生成不同的单词时关注图像的相应区域,在解码阶段对长短期记忆网络（LSTM）进行改进,引入额外的门控运算,让网络的输入和状态在网络内部计算之前进行多轮交互计算,使得输入和上下文之间具有更加丰富的交互表示,有效的提高了模型的语言建模能力。2.针对图像描述难以对复杂的公共环境产生详尽描述的问题,设计并实现了基于公共环境的密集描述模型。模型采用改进后的Faster R-CNN对需要生成描述的区域进行识别与定位,使用网络结构简单、收敛速度快且表达能力强的双层GRU网络进行语言文本生成。相较于图像描述,密集描述提取出了更多丰富的图像底层语义信息。3.将训练好的公共环境图像描述与密集描述模型进行封装,制作公共环境图像描述的GUI用户交互界面,用户可在软件界面直接进行程序调用,具有一定的实际应用价值。